EKSTRAKSI CIRI DAN PENGENALAN TUTUR VOKAL BAHASA INDONESIA MENGGUNAKAN METODE DISCRETE WAVELET TRANSFORM
|
|
- Inge Halim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 F.30 EKSTRAKSI CIRI DAN PENGENALAN TUTUR VOKAL BAHASA INDONESIA MENGGUNAKAN METODE DISCRETE WAVELET TRANSFORM (DWT) DAN DYNAMIC TIME WARPING (DTW) SECARA REALTIME Risky Via Yuliantari *, Risanuri Hidayat, Oyas Wahyunggoro Jurusan Teknik Elektro dan Teknik Informasi, Fakultas Teknik, Universitas Gadjah Mada Jln. Grafika 2 Yogyakarta * rviayuliantari@gmail.com Abstrak Pada paper ini disajikan tentang pengembangan sebuah sistem pengenalan isyarat vokal bahasa Indonesia secara realtime. Pada pengenalan isyarat vokal bahasa Indonesia secara konvensional memberikan akurasi yang tinggi. Oleh karena itu, pada penelitian ini dilakukan pengembangan proses pengenalan dilakukan secara realtime yang diterapkan pada vokal bahasa Indonesia. Metode ekstrasi ciri yang digunakan adalah Discrete Wavelet Transform (DWT) level 3 dan Dynamic Time Wraping (DTW) sebagai metode pengenalan isyarat vokal bahasa Indonesia. Pada metode ekstrasi ciri Discrete Wavelet Transform (DWT) level 3 didapatkan 8 buah ciri. Sedangkan metode pengenalan menggunakan Dynamic Time Wraping (DTW) dilakukan dengan menghitung diskriminasi jarak terkecil dan tanpa adanya pelatihan terlebih dahulu. Hasil pengenalan menggunakan metode DWT level 3 menunjukkan akurasi terbaik sebesar 80 %. Dari hasil pengenalan tersebut dilakukan pengujian terhadap 5 penutur yang berbeda secara bergantian sebagai data referensi, sehingga diperoleh 500 pasang data pengukuran. Hasil persentase rata-rata pengenalan dengan akurasi terbaik dari pengujian 5 penutur yang berbeda mencapai 87,2% dari 500 pasang data yang diperoleh secara realtime. Kata Kunci : Dynamic Time Warping, DTW, Discrete Wavelet Transform, DWT, Realtime. 1. PENDAHULUAN Sistem identifikasi satu vokal pengenalan isyarat tutur dengan menggunakan algoritme pembelajaran pada mesin pengenalan, belum mampu memberikan pengenalan selayaknya otak manusia. Hal tersebut berbeda dengan otak manusia dalam proses identifikasi yang mudah dalam waktu yang singkat, sehingga perlu dilakukan eksplorasi pada algoritme yang sudah ada. Sifat yang terdapat pada isyarat tutur antara lain: sinyal yang tidak stasioner, adanya perubahan kecepatan suara dan derau. Hal tersebut dipengaruhi oleh lingkungan sekitar merupakan masalah dalam sistem pengenalan isyarat tutur. Dynamic Time Wraping (DTW) sebagai metode pengenalan isyarat tutur digunakan untuk mengoptimalkan hasil pengenalan suara tanpa harus mengurangi komputasi (Sakoe & Chiba 1978). Sedangkan Discrate Wavelet Transform (DWT) sebagai metode ekstrasi ciri digunakan untuk mengatasi isyarat tutur yang mengandung derau dan sinyal yang tidak stasioner, serta mengurangi panjang sinyal input (R.C. Guido, J.F.W. Slaets, R. Koberle & Almeida 2006). Banyak penelitian yang dilakukan untuk meningkatkan kemampuan pengenalan tutur. Sehingga sistem pengenalan tutur menggunakan aplikasi komputer bukan merukapan hal yang baru (R. Adipranata 2003). Beberapa contoh penerapan pengenalan isyarat tutur diantaranya tentang penambahan filter median pada metode DTW untuk menyamai tingkat akurasi pengenalan pola Hidden Markov Model (HMM) (Yuxin & Miyanaga 2011). Penerapan algoritma Shape Averaging (SA) pada DTW untuk peningkatan akurasi pengenalan (Ratanamahatana 2009). Penerapan ekstrasi ciri Mel Frequency Cepstral Coefficient (MFCC) untuk pengenalan kata terisolasi angka menggunakan bahasa Inggris (Bala 2010). Pengenalan isyarat tutur bahasa Indonesia secara konvensional untuk vokal (Asni 2014) dan beberapa kata terisolasi menggunakan Mel Frequency Cepstral Coefficient (MFCC) secara otomatis (Sutisna 2013). Pada penelitian ini disajikan tentang pengembangan sebuah sistem pengenalan isyarat vokal bahasa Indonesia secara realtime. Pada pengenalan isyarat vokal bahasa Indonesia secara konvensional memberikan akurasi yang tinggi. Oleh karena itu, pada penelitian ini dilakukan pengembangan proses pengenalan dilakukan secara realtime yang diterapkan pada vokal bahasa Prosiding SNST ke-7 Tahun 2016 Fakultas Teknik Universitas Wahid Hasyim Semarang 173
2 Ekstraksi Ciri dan Pengenalan Tutur Vokal Bahasa Indonesia... (Yuliantari dkk.) Indonesia menggunakan metode Discrete Wavelet Transform (DWT) level 3 sebagai metode ekstrasi ciri dan metode Dynamic Time Wraping (DTW) sebagai metode pengenalan isyarat vokal bahasa Indonesia. Pada metode ekstrasi ciri Discrete Wavelet Transform (DWT) level 3 didapatkan 8 buah ciri. Sedangkan metode pengenalan menggunakan Dynamic Time Wraping (DTW) dilakukan dengan menghitung diskriminasi jarak terkecil dan tanpa adanya pelatihan terlebih dahulu. 2. METODOLOGI Proses pengenalan isyarat tutur digambarkan pada Gambar 1, yang terdiri dari; tahap perekaman isyarat tutur secara langsung, pemrosesan awal, ekstraksi ciri, dan pengenalan pola. Tiap tahapan sangat penting dalam mengoptimalkan hasil pengenalan pola isyarat tutur. Gambar 1. Proses pengenalan isyarat tutur 2.1. Perekaman Isyarat Tutur Pengumpulan data isyarat tutur dilakukan melalui proses perekaman secara langsung yang dapat tersimpan dengan ektensi.wav. Keuntungan dari format.wav yaitu dapat dikenali pada software aplikasi Matlab dengan frekuensi sampling yang bervariasi antara 8000 Hz sampai 48000Hz tergantung pada spesifikasi soundcard computer yang mempengaruhi kecepatan sampling (I. MacLoughlin 2009). Frekuensi sampling (fs) merupakan nilai yang memenuhi kriteria Nyiquist, pada persamaan (1). fs 2 f, (1) fs = frekuensi sampling (diskrit) (Hz) f = frekuensi isyarat (analog) (Hz) 2.2. Pemrosesan Awal Pada pemrosesan awal dilakukan untuk normalisasi isyarat tutur dengan tiga tahap yang meliputi DC removal, normalisasi amplitudo dan menghilangkan isyarat diam DC removal DC Removal dilakukan dengan menghilangkan komponen DC dari isyarat tutur menjadi 0 (nol). Pada persamaan (2) cara menghilangkan komponen DC dilakukan dengan mengurangkan tiap nilai pada isyarat S(n) dengan hasil rerata isyarat itu sendiri (rerata S(n) ). DC offset N S( n) n1 ( n) S( n) N (2) D offset (n) = runtun isyarat keluaran S(n) = runtun isyarat masukan n = urutan runtun N = merupakan panjang runtun isyarat 174 ISBN
3 F Normalisasi amplitudo Normalisasi amplitudo dilakukan untuk mengatasi tingkat energy yang tidak konsisten antara tiap isyarat.sehingga kualitas ciri dapat ditingkatkan dan semua data memiliki standard pengukuran yang sama. Proses normaliasi amplitude diperoleh dengan membagi setiap nilai S(n) pada runtun ke-n dengan nilai absolut amplitudo tertinggi yang terdapat pada isyarat dengan nilai batasan maksimal antara -1 dan 1, dirumuskan pada persamaan (3): DCoffset ( n) Snor( n) (3) max( abs( DC ( n)) S nor (n) = runtun isyarat keluaran D offset (n) = runtun isyarat masukan n = urutan runtun offset Menghilangkan isyarat diam Proses menghilangkan isyarat diam bertujuan untuk mengefektifkan komputasi pada segmentasi karena derau dan isyarat diam bukan merupakan informasi yang dibutuhkan dalam pengolahan isyarat tutur. Proses segmentasi dilakukan dengan membagi-bagi isyarat dalam frame dengan durasi tertentu. Frame yang tidak mengandung isyarat tutur akan diobservasi dan dieleminasi untuk menentukan nilai ambang. Jika isyarat S(n) pada runtun ke-n dan lebar frame adalah N runtun, maka frame ke-i dapat dituliskan dalam persamaan (4). F i i * ( n) N n( i1)* N1 s (4) F i = frame pada indeks ke-i N = lebar frame (160 runtun) i = nomor/ indeks frame S(n) = nilai isyarat pada runtun ke-n 2.3. Ekstrasi ciri menggunakan metode DWT DWT digunakan untuk mentransformasikan isyarat dari domain waktu ke domain frekuensi yang dapat diaplikasikan pada data diskrit untuk menghasilkan keluaran diskrit (Asni 2014). DWT dikatakan sebagai Low Pass Filter (LPF) dan High Pass Filter (HPF). Frekuensi rendah dan frekuensi tinggi dipisahkan dari sinyal asli dengan menggunakan transformasi dekomposisi, Semakin rendah pendekatan sinyal frekuensi maka semakin tinggi sinyal frekuensi yang dihasilkan (Ghule & Deshmukh n.d.). Low Pass Filter (LPF) maupun High Pass Filter (HPF) merupakan salah satu fungsi yang paling banyak digunakan pada pemrosesan sinyal. Perwujudan wavelet dapat berupa penskalaan ulang dengan iterasi. Resolusi sinyal diukur dari jumlah informasi sinyal ditentukan oleh operasi filtering dan menggunakan skala operasi upsampling dan downsampling (R & P 2009)(Ali et al. 2014). Perhitungan DWT dapat dilakukan dengan menkonvolusi koefisien LPF (h) dan HPF ( g) (Asni 2014) yang ditunjukan pada persamaan (5) dan (6). a d ( j1) k ( j1) k n2k n (0) h a ( a h )(2k) (5) n n (1) g a ( a g )(2k) (6) n2k n Prosiding SNST ke-7 Tahun 2016 Fakultas Teknik Universitas Wahid Hasyim Semarang 175
4 Ekstraksi Ciri dan Pengenalan Tutur Vokal Bahasa Indonesia... (Yuliantari dkk.) 2.4. Pengenalan pola menggunakan metode DTW Dynamic Time Warping (DTW) merupakan algoritme berfungsi untuk mencari jarak antara dua isyarat dengan meminimalkan fungsi biaya. Namun, dengan elemen tertentu ada beberapa hambatan pada urutan poin W = { w 1, w 2,, w k } sebagai berikut : 1. Boundary; w 1 = (1,1) dan w k = ( N, M). Dimulai dari titik (1,1) dan berakhir pada titik (N, M), jika dalam matriks maka berawal dari posisis kiri atas dan berakhir pada posisi kanan bawah. 2. Monotonicity; i p-1 i p i p+1 dan j p-1 j p j p+1, p [1,k]. Kondisi dimana tidak ada pengulangan jalur pada ciri isyarat yang sama untuk mempertahankan waktu pemesanan,, konsekuensi, dan sebab akibatnya 3. Step size; i p - i p-1 1 dan j p - j p-1 1, p [1,k]. untuk membatasi warping yang satu dengan yang lain. Dari ketiga hambatan tersebut didapatkan persamaan (7) yang berasal dari kondisi monotonicity dan step size sebagai berikut : ( i( k), j( k 1), c ( k 1) = ( i( k) 1, j( k) 1), (7) or( i( k) 1, j( k). Untuk menentukan kesamaan atau perbedaan antara dua isyarat tutur yang dibandingkan tanpa proses pelatihan terlebih dahulu dengan menggunakan diskriminasi jarak pada metode DTW. Nilai jarak dan isyarat yang dinormalisasi merupakan keluaran algoritme DWT. Dalam penelitian ini yang dingunakan adalah nilai jarak DTW saja dan dikembangkan secara realtime. Hasil pengukuran diperoleh dari jarak minimum yang digunakan dalam pengenalan pola untuk mengambil keputusan seperti pada persamaan (8). 1 jika dwt( x) d( y) dwt( x, x) = (8) 0 jika dwt( x) d( y) Adapun rumus perhitungan akurasi pengenalan ditunjukkan pada persamaan (9) berupa persentase pengenalan terbaik (Meegama 2015). Pengenalan isyarat tutur dikembangkan dengan berbagai macam metode secara konvensional maupun realtime. Akurasi pengenalan dengan menggunakan metode secara realtime yang didapatkan cukup tinggi dan bervariasi. Pencapaian persentase rata-rata pengenalan terbaik menurut (Nandyala & Kumar 2010) sebesar 88%, (Hidayat 2015) sebesar 77,2 %, dan (Meegama 2015) sebesar 86.2%. 3. HASIL DAN PEMBAHASAN Penentuan metode pengenalan terbaik berdasarakan metode ekstrasi ciri Discrete Wavelet Transform (DWT) level 3 secara realtime menghasilkan 20 dari 25 pengenalan terbaik dengan persentase 80%. Vektor ciri isyarat vokal yang dihasilkan menggunakan metode ekstrasi ciri Discrete Wavelet Transform (DWT) level 3 ditunjukkan pada gambar 2. (9) 176 ISBN
5 Energi F Sub-band Frekuensi (Hz) a e i o u Gambar 2. Hasil vektor ciri isyarat vokal menggunakan metode ekstrasi ciri Discrete Wavelet Transform (DWT) level 3. Berdasarkan metode pengenalan terbaik maka dilakukan pengujian pada 5 penutur yang berbeda tanpa dilakukan pelatihan terlebih dahulu secara bergantian sebagai data referensi Hasil persentase rata-rata pengenalan yang diperoleh secara realtime sebesar 87,2% dari 500 pasang data terbaik. Tabel 1 Perbandingan persentase pengenalan DTW dengan sumber referensi penutur yang berbeda No Nama penutur sebagai referensi Pengenalan (%) 1 Ari 92% 2 Didi 84% 3 Novi 80% 4 Lia 92% 5 Yuli 88% Rata- rata pengenalan (%) 87,2% 4. KESIMPULAN Setelah dilakukan ekstrasi ciri isyarat vokal dengan menggunakan metode Discrete Wavelet Transform (DWT) level 3 secara realtime maka diperoleh rata-rata pengenalan terbaik sebesar 80% dengan jumlah pengukuran 225 pasang vektor ciri. Kemudian dilakukan pengujian pada 5 penutur yang berbeda tanpa dilakukan pelatihan terlebih dahulu secara bergantian sebagai data referensi sehingga menghasilkan rata-rata pengenalan terbaik sebesar 87,2% dengan jumlah pengukuran 500 pasang vektor ciri. Analisis dapat dikembangkan dan diujikan untuk data yang lebih besar. DAFTAR PUSTAKA Ali, H. et al., DWT features performance analysis for automatic speech recognition of Urdu. SpringerPlus, 3, pp Asni, A., Ekstraksi Ciri Dan Pengenalan Tutur Vokal Bahasa Indonesia Menggunakan Metode Discrete Wavelet Transform (DWT) dan Dynamic Time Warping (DTW). In Universitas Gadjah Mada. Bala, A., VOICE COMMAND RECOGNITION SYSTEM BASED ON MFCC AND DTW. International Journal of Engineering Science and Technology, 2 (12), pp Available at: Ghule, K.R. & Deshmukh, R.R., Feature Extraction Techniques for Speech Recognition: A Review. International Journal of Scientific & Engineering Research, 6(5), pp Hidayat, S., Sistem pengenal tutur bahasa indonesia berbasis suku kata menggunakan mfcc, wavelet dan hmm. CITEE, (SEPTEMBER). I. MacLoughlin, Applied Speech and Audio Processing With Matlab Examples. In New York: Cambridge University Press. p Meegama, M.K.. G. and R.G.., Real time Translation of Discrete Sinhala Speech to Unicode Prosiding SNST ke-7 Tahun 2016 Fakultas Teknik Universitas Wahid Hasyim Semarang 177
6 Ekstraksi Ciri dan Pengenalan Tutur Vokal Bahasa Indonesia... (Yuliantari dkk.) Text Real-time Translation of Discrete Sinhala Speech to Unicode Text. In IEEE ICter. Nandyala, S.P. & Kumar, D.T.K., Real Time Isolated Word Speech Recognition System for Human Computer Interaction. International Journal of Computer Applications, 12(2), pp.1 7. R, V.K. V & P, B.A., Features of Wavelet Packet Decomposition and Discrete Wavelet Transform for Malayalam Speech Recognition. Aceee, 1(2), pp R. Adipranata, A.N., Implementasi Sistem Pengenalan Suara Menggunakan SAPI 5.1 dan Delphi 5., 4, pp R.C. Guido, J.F.W. Slaets, R. Koberle, L.O.B. & Almeida, J.C.P., New Technique to construct a wavelet transformmatching a specified signal with applications to digital, realtime, spike and overlap pattern recognition. In Digital Signal Processing, Elsevier, v. 16, n. 1. pp ,. Ratanamahatana, D.S. and C.A., Efficient Time Series Classification under Template Matching using Time Warping Alignment. IEEE Int. Conf. Comput. Sci. Converg. Inf. Technol., (2009), pp Sakoe, H. & Chiba, S., Dynamic Programming Algorithm Optimization for Spoken Word Recognition. In IEEE Transactions on Acoustic Speech and Signal Processing. pp Sutisna, U., Pengenalan Tutur Kata Terisolasi Menggunakan MFCC dan ANFIS Universitas Gadjah Mada. Yuxin, Z. & Miyanaga, Y., An improved dynamic time warping algorithm employing nonlinear median filtering th International Symposium on Communications Information Technologies ISCIT, pp ISBN
EKSTRASI CIRI DAN PENGENALAN SUARA VOKAL BAHASA INDONESIA BERDASARKAN JENIS KELAMIN SECARA REAL TIME
EKSTRASI CIRI DAN PENGENALAN SUARA VOKAL BAHASA INDONESIA BERDASARKAN JENIS KELAMIN SECARA REAL TIME Risky Via Yuliantari 1*, Risanuri Hidayat 2, Oyas Wahyunggoro 3 1,2,3 Jurusan Teknik Elektro dan Teknik
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Isyarat tutur merupakan isyarat yang diproduksi oleh alat ucap manusia hingga menghasilkan informasi, baik berupa makna dari isyarat tutur yang diucapkan maupun yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Wicara atau ucapan adalah cara berkomunikasi yang paling sederhana dan sering digunakan oleh manusia. Namun, seiring dengan perkembangan teknologi, proses komunikasi
Lebih terperinciBAB 3 PERANCANGAN SISTEM
20 BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras Sistem ini hanya menggunakan beberapa perangkat keras yang umum digunakan, seperti mikrofon, speaker (alat pengeras suara), dan seperangkat komputer
Lebih terperinciSistem Pengenal Tutur Bahasa Indonesia Berbasis Suku Kata Menggunakan MFCC, Wavelet Dan HMM
ISSN: 2085-6350 Yogyakarta, 15 September 2015 CITEE 2015 Sistem Pengenal Tutur Bahasa Indonesia Berbasis Suku Kata Menggunakan MFCC, Wavelet Dan HMM Syahroni Hidayat 1, Risanuri Hidayat 2, Teguh Bharata
Lebih terperinciBAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk
6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada
Lebih terperinciBAB 1 PENDAHULUAN. berkembang pesat pada akhir-akhir ini mengingat perkembangan teknologi yang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kecerdasan buatan (artificial intelligence) merupakan bidang yang berkembang pesat pada akhir-akhir ini mengingat perkembangan teknologi yang mengarah kepada bidang
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Riset di bidang sistem pengenalan ucapan otomatis (Automatic Speech Recognition) merupakan salah satu riset yang banyak ditekuni dan terus dikembangkan hingga saat
Lebih terperinciBAB I PENDAHULUAN. Proses pengenalan kata merupakan salah satu fungsi dari
BAB I PENDAHULUAN I.1. Latar Belakang Masalah Proses pengenalan kata merupakan salah satu fungsi dari voice recognition. Voice recognition dibagi menjadi dua jenis, yaitu speech recognition dan speaker
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Prinsip teknologi dikembangkan adalah untuk membuat alat atau sarana yang dapat membantu dan memberi kemudahan bagi manusia untuk melakukan kegiatan dalam hidup. Seiring
Lebih terperinciFrekuensi Dominan Dalam Vokal Bahasa Indonesia
Frekuensi Dominan Dalam Vokal Bahasa Indonesia Tjong Wan Sen #1 # Fakultas Komputer, Universitas Presiden Jln. Ki Hajar Dewantara, Jababeka, Cikarang 1 wansen@president.ac.id Abstract Pengenalan ucapan
Lebih terperinciPENERAPAN KLASIFIKASI VOICED DAN UNVOICED PADA PENGENALAN TUTUR BEBERAPA KATA BAHASA INDONESIA
PENERAPAN KLASIFIKASI VOICED DAN UNVOICED PADA PENGENALAN TUTUR BEBERAPA KATA BAHASA INDONESIA Heru Susanto 1) 1) Dosen Prodi Teknik Dirgantara, Sekolah Tinggi Teknologi Kedirgantaraan 1 hesa_3@yahoo.com
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Perintah Suara Berbahasa Indonesia untuk Membuka dan Menutup Aplikasi dalam Sistem Operasi Windows Menggunakan Metode Mel Frequency Cepstrum Coefficient dan Metode Backpropagation Zakaria Ramadhan 1, Sukmawati
Lebih terperinciBIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES
Agustini, Biometrik Suara Dengan Transformasi Wavelet 49 BIOMETRIK SUARA DENGAN TRANSFORMASI WAVELET BERBASIS ORTHOGONAL DAUBENCHIES Ketut Agustini (1) Abstract: Biometric as one of identification or recognition
Lebih terperinciPengenalan Fonem Vokal Bahasa Jawa Mataraman Menggunakan Metode Liner Predictive Model Dan Hidden Markov Model
Pengenalan Fonem Vokal Bahasa Jawa Mataraman Menggunakan Metode Liner Predictive Model Dan Hidden Markov Model Ziaul Haq, Teknik Informatika S1,Universitas Dian Nuswantoro Semarang Abstract Pengenalan
Lebih terperinciINDEPT, Vol. 3, No.1, Februari 2013 ISSN
SISTEM SPEAKER RECOGNITION (PENGENAL PENGUCAP) UNTUK MENCARI KARAKTERISTIK UCAPAN SESEORANG DENGAN METODE MEL FREQUENCY CEPTRUM COEFFISIENT (MFCC) MENGGUNAKAN SOFTWARE MATLAB Andriana, ST., MT. Dosen Fakultas
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
Lebih terperinciPerbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan Metode Berbasis Amplitudo
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 2 Nomor 1 halaman 29-37 ISSN: 2089-6026 Perbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan
Lebih terperinciIMPLEMENTASI MEL FREQUENCY CEPSTRAL COEFFICIENT DAN DYNAMIC TIME WARPING UNTUK PENGENALAN NADA PADA ALAT MUSIK BELLYRA
IMPLEMENTASI MEL FREQUENCY CEPSTRAL COEFFICIENT DAN DYNAMIC TIME WARPING UNTUK PENGENALAN NADA PADA ALAT MUSIK BELLYRA Yusup Miftahuddin 1) Mira Musrini B 2) Muhammad Rifqi Hakim 3) 1) 2) 3) Teknik Informatika
Lebih terperinciIMPLEMENTASI DYNAMIC TIME WARPING UNTUK VOICE RECOGNITION
IMPLEMENTASI DYNAMIC TIME WARPING UNTUK VOICE RECOGNITION TUGAS AKHIR Diajukan Untuk Memenuhi Sebagian Persyaratan Dalam Memperoleh Gelar Sarjana Komputer Jurusan Teknik Informatika Disusun oleh : PAULA
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dicolokan ke komputer, hal ini untuk menghindari noise yang biasanya muncul
37 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil 4.1.1 Pengambilan Database Awalnya gitar terlebih dahulu ditala menggunakan efek gitar ZOOM 505II, setelah ditala suara gitar dimasukan kedalam komputer melalui
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Suara paru terjadi karena adanya turbulensi udara saat udara memasuki saluran pernapasan selama proses pernapasan. Turbulensi ini terjadi karena udara mengalir dari
Lebih terperinciAPLIKASI PENDETEKSI EMOSI MANUSIA MENGGUNAKAN METODE MFCC DAN DTW
APLIKASI PENDETEKSI EMOSI MANUSIA MENGGUNAKAN METODE MFCC DAN DTW,, [1] Jurusan Teknik Informatika, Fakultas Teknologi Industri, Itenas Bandung youllia@itenas.ac.id, sangkuriang69@gmail.com, adrianyuki16@gmail.com
Lebih terperinciPROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA
RANCANG BANGUN SISTEM KOMUNIKASI ANTAR PEMAKAI HELM BERBASIS PENGENALAN WICARA DISUSUN OLEH : YUNUS WICAKSONO SUGIARSO NRP.2208204002 PROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA INSTITUT TEKNOLOGI
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perkembangan multimedia saat ini sangat cepat. Dengan multimedia, pengguna dapat menyerap informasi dengan lebih mudah, sehingga pemilihan informasi yang tepat menjadi penting. Pemilihan informasi
Lebih terperinciSeminar Nasional APTIKOM (SEMNASTIKOM), Hotel Lombok Raya Mataram, Oktober 2016
IMPLEMENTASI ALGORITMA FAST FOURIER TRANSFORM DAN MEAN SQUARE PERCENTAGE ERROR UNTUK MENGHITUNG PERUBAHAN SPEKTRUM SUARA SETELAH MENGGUNAKAN FILTER PRE-EMPHASIS Fitri Mintarsih 1, Rizal Bahaweres 2, Ricky
Lebih terperinciPENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG
PENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG TUGAS AKHIR MUHAMMAD AGUNG NURSYEHA 2211100164 Pembimbing: Dr. Muhammad
Lebih terperinciSISTEM AKSES BUKU PERPUSTAKAAN JURUSAN TEKNIK ELEKTRO UNIVERSITAS ANDALAS MENGGUNAKAN APLIKASI PENGENALAN WICARA DENGAN METODA MFCC-VQ dan SSE
SISTEM AKSES BUKU PERPUSTAKAAN JURUSAN TEKNIK ELEKTRO UNIVERSITAS ANDALAS MENGGUNAKAN APLIKASI PENGENALAN WICARA DENGAN METODA MFCC-VQ dan SSE TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat untuk Menyelesaikan
Lebih terperinciWarble Of Lovebird Classification Using Mel Frequency Cepstral Coefficient (MFCC)
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 2968 KLASIFIKASI SUARA LOVEBIRD DENGAN METODE MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) DAN FUZZY LOGIC Warble Of Lovebird Classification
Lebih terperinciANALISIS DAN PERANCANGAN PROGRAM APLIKASI. mahasiswa Binus University secara umum. Dan mampu membantu
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI 3.1. Analisa Sistem 3.1.1. Sejarah Umum Perusahaan Binus Learning Community adalah komunitas belajar binus yang berada dibawah sub unit mentoring Student
Lebih terperinciBAB I PENDAHULUAN SIMULASI DAN ANALISIS PEMANTAUAN KAMAR PASIEN RAWAT INAP DENGAN DETEKSI DAN KLASIFIKASI SINYAL AUDIO 1
BAB I PENDAHULUAN 1.1 Latar Belakang Pasien rawat inap di rumah sakit membutuhkan perawatan yang intensif dari dokter atau perawat. Hal ini dilakukan dengan memantau kesehatan pasien secara fisik dan psikologi
Lebih terperinciSistem Verifikasi Penutur menggunakan Metode Mel Frequensi.
SISTEM VERIFIKASI PENUTUR MENGGUNAKAN METODA MEL FREQUENCY CEPSTRAL COEFFICIENTS-VECTOR QUANTISATION (MFCC-VQ) SERTA SUM SQUARE ERROR (SSE) DAN PENGENALAN KATA MENGGUNAKAN METODA LOGIKA FUZZY Oleh : Atik
Lebih terperinciAUDIO WATERMARKING DENGAN DISCRETE WAVELET TRANSFORM DAN HISTOGRAM MENGGUNAKAN OPTIMASI ALGORITMA GENETIKA
Seminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 217 ISSN 285-4218 ITN Malang, 4 Pebruari 217 AUDIO WATERMARKING DENGAN DISCRETE WAVELET TRANSFORM DAN HISTOGRAM MENGGUNAKAN OPTIMASI ALGORITMA
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1980
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1980 IDENTIFIKASI DAN KLASIFIKASI KEMURNIAN SUSU SAPI BERDASARKAN PENGOLAHAN SINYAL VIDEO MENGGUNAKAN METODE DISCRETE WAVELET
Lebih terperinciudara maupun benda padat. Manusia dapat berkomunikasi dengan manusia dari gagasan yang ingin disampaikan pada pendengar.
BAB II DASAR TEORI 2.1 Suara (Speaker) Suara adalah sinyal atau gelombang yang merambat dengan frekuensi dan amplitudo tertentu melalui media perantara yang dihantarkannya seperti media air, udara maupun
Lebih terperinciBAB I PENDAHULUAN. menggunakan voice recognition dapat membantu user memilih produk buah
BAB I PENDAHULUAN 1.1 Latar Belakang Buah Semangka adalah tanaman merambat yang berasal dari daerah gurun di Afrika bagian selatan (Agritekno, tt). Buah semangka masih sekerabat dengan labulabuan. Buah
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Suara adalah merupakan gabungan berbagai sinyal, tetapi suara murni secara teoritis dapat dijelaskan dengan kecepatan osilasi atau frekuensi yang diukur dalam Hertz
Lebih terperinciAPLIKASI SPEECH RECOGNITION BAHASA INDONESIA DENGAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT
APLIKASI SPEECH RECOGNITION BAHASA INDONESIA DENGAN METODE MEL-FREQUENCY CEPSTRAL COEFFICIENT DAN LINEAR VECTOR QUANTIZATION UNTUK PENGENDALIAN GERAK ROBOT Anggoro Wicaksono, Sukmawati NE, Satriyo Adhy,
Lebih terperinciBAB I PENDAHULUAN. Teknologi sekarang ini berkembang sangat pesat, hampir semua kehidupan
BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Teknologi sekarang ini berkembang sangat pesat, hampir semua kehidupan manusia tergantung pada mesin atau komputer. Begitu banyak mesin yang dibuat untuk memudahkan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. database dan database query, secara keseluruhan menggunakan cara yang sama.
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Experimen Pada dasarnya tahapan yang dilakukan pada proses pengambilan sampel dari database dan database query, secara keseluruhan menggunakan cara yang sama. Berdasarkan
Lebih terperinciPENERAPAN METODE HIDDEN MARKOV MODEL DAN MEL FREQUENCY CEPSTRUM COEFFICIENT DALAM PENGENALAN VOICE COMMAND BERBAHASA INDONESIA KOMPETENSI KOMPUTASI
PENERAPAN METODE HIDDEN MARKOV MODEL DAN MEL FREQUENCY CEPSTRUM COEFFICIENT DALAM PENGENALAN VOICE COMMAND BERBAHASA INDONESIA KOMPETENSI KOMPUTASI SKRIPSI I GEDE ARYA MAHARTA NIM. 1108605025 JURUSAN ILMU
Lebih terperinciSISTEM PENGOLAHAN SUARA MENGGUNAKAN ALGORITMA FFT (FAST FOURIER TRANSFORM)
SISTEM PENGOLAHAN SUARA MENGGUNAKAN ALGORITMA FFT (FAST FOURIER TRANSFORM) Harun Sujadi 1, Ii Sopiandi 2, Agis Mutaqin 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Majalengka
Lebih terperinciIDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK
IDENTIFIKASI CAMPURAN NADA PADA SUARA PIANO MENGGUNAKAN CODEBOOK Ade Fruandta dan Agus Buono Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor Jl. Meranti
Lebih terperinciBABI PENDAHULUAN 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Saat ini transformasi wavelet banyak sekali digunakan dan bermanfaat untuk analisis numerik, analisis isyarat, aplikasi kontrol dan aplikasi audio [1]. Dalam analisis
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pengenalan fonem adalah implementasi dari speech to teks yang merupakan bagian dari speech recognition atau pengenalan ucapan. Pengenalan ucapan lebih dikonsentrasikan pada ekstraksi
Lebih terperinciPENDETEKSIAN TINGKAT USIA MUDA, DEWASA DAN TUA MENGGUNAKAN METODE MFCC DAN FUZZY LOGIC BERBASISKAN SPEECH RECOGNITION
PENDETEKSIAN TINGKAT USIA MUDA, DEWASA DAN TUA MENGGUNAKAN METODE MFCC DAN FUZZY LOGIC BERBASISKAN SPEECH RECOGNITION DETECTION OF THE LEVEL OF YOUTH, ADULTS AND ELDERLY BY USING MFCC METHOD AND FUZZY
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari
Lebih terperinciIdentifikasi Suara Serak Berbasis Transformasi Wavelet Dan Algoritma Jaringan Syaraf Tiruan
9 Identifikasi Suara Serak Berbasis Transformasi Wavelet Dan Algoritma Jaringan Syaraf Tiruan Luqman Hakim *, Achmad Arifin, Tri Arief Sardjono Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember
Lebih terperinciIDENTIFIKASI KEBERADAAN TIKUS BERDASARKAN SUARANYA MENGGUNAKAN SMS GATEWAY
IDENTIFIKASI KEBERADAAN TIKUS BERDASARKAN SUARANYA MENGGUNAKAN SMS GATEWAY Erni Seniwati 1), Ninik Tri Hartanti 2) 1 Sistem Informasi, STMIK Amikom erni.s@amikom.ac.id 2 Sistem Informasi, STMIK Amikom
Lebih terperinciAPLIKASI SPEECH TO TEXT BERBAHASA INDONESIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENTS DAN HIDDEN MARKOV MODEL (HMM)
APLIKASI SPEECH TO TEXT BERBAHASA INDONESIA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENTS DAN HIDDEN MARKOV MODEL (HMM) Eko Widiyanto, Sukmawati Nur Endah, Satriyo Adhy, Sutikno Jurusan Ilmu Komputer/Informatika,
Lebih terperinciPengukuran Blok Window Terbaik Berdasarkan MSE...
Pengukuran Blok Window Terbaik Berdasarkan MSE... (Dwiyanto dkk.) PENGUKURAN BLOK WINDOW TERBAIK BERDASARKAN MSE UNTUK SEGMENTASI CITRA SIDIK JARI BERBASIS MEAN DAN VARIANS Dwiyanto *, Agus Bejo, Risanuri
Lebih terperinciBAB I PENDAHULUAN. pengenalan terhadap gelombang suara. Pengenalan gelombang suara yang sudah
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi memungkinkan kita untuk melakukan suatu pengenalan terhadap gelombang suara. Pengenalan gelombang suara yang sudah sering diimplementasikan adalah
Lebih terperinciVerifikasi Biometrika Suara Menggunakan Metode MFCC Dan DTW
Verifikasi Biometrika Suara Menggunakan Metode MFCC Dan DTW Darma Putra 1, Adi Resmawan 2 1 Staff pengajar Teknologi Informasi, Fakultas Teknik, Universitas Udayana 2 Alumni Teknik Elektro, Fakultas Teknik,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Teknologi speech recognition merupakan teknologi pengenalan wicara yang memanfaatkan sinyal suara manusia sebagai masukan yang kemudian dikenali oleh sistem. Teknologi
Lebih terperinciImplementation of Voice Recognition Based Key Using Mel Frequency Cepstral Coefficient (MFCC)
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.3 December 2016 Page 3998 IMPLEMENTASI KUNCI BERBASIS SUARA MENGGUNAKAN METODE MEL FREQUENCY CEPSTRAL COEFFICIENT (MFCC) Implementation of Voice
Lebih terperinciIMPLEMENTASI ALGORITME HIGH PASS FILTER PADA FPGA MENGGUNAKAN PROSESOR NIOS II
IMPLEMENTASI ALGORITME HIGH PASS FILTER PADA FPGA MENGGUNAKAN PROSESOR NIOS II Kunnu Purwanto 1), Agus Bejo 2), Addin Suwastono 3) 1),2),3 ) Departemen Teknik Elektro dan Teknologi Informasi Fakultas Teknik
Lebih terperinciPENGENALAN VOKAL MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN LINEAR PREDICTIVE CODE
SEMINAR NASIONAL ke 8 Tahun 23 : Rekayasa Teknologi Industri dan Informasi PENGENALAN VOKAL MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN LINEAR PREDICTIVE CODE Reza Nandika, Risanuri Hidayat 2, Sujoko
Lebih terperinciPerintah Menggunakan Sinyal Suara dengan Mel- Frequency Cepstrum Coefficients dan Learning Vector Quantization
Perintah Menggunakan Sinyal Suara dengan Mel- Frequency Cepstrum Coefficients dan Learning Vector Quantization Neneng Nurhamidah 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA
Lebih terperinciSIMULASI REDUKSI DERAU SINYAL SUARA PADA GEDUNG KEBUN RAYA PURWODADI PASURUAN DENGAN METODE DWT
SIMULASI REDUKSI DERAU SINYAL SUARA PADA GEDUNG KEBUN RAYA PURWODADI PASURUAN DENGAN METODE DWT ( Kristiawan Purwanto, Tutug Dhanardono) Jurusan Teknik Fisika FTI ITS Surabaya Kampus ITS Keputih Sukolilo
Lebih terperinciJurnal Komputer Terapan Vol. 1, No. 2, November 2015, Jurnal Politeknik Caltex Riau
Jurnal Komputer Terapan Vol. 1, No. 2, November 2015, 121-132 121 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Aplikasi Pengenalan Ucapan Dengan Ekstraksi Ciri Mel- Frequency Cepstrum Coefficients
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Manusia dianugrahi oleh Tuhan dua telinga yang memiliki fungsi untuk menangkap sinyal-sinyal suara. Namun untuk mengoptimalkan dari fungsi telinga tersebut manusia harus belajar
Lebih terperinciEKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON
EKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON Nurmasyitah 1, Mursyidah 2, Jamilah 3 Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknologi Informasi dan Komputer, Politeknik
Lebih terperinciPengenalan Suara Menggunakan Metode MFCC (Mel Frequency Cepstrum Coefficients) dan DTW (Dynamic Time Warping) untuk Sistem Penguncian Pintu
239 Pengenalan Suara Menggunakan Metode MFCC (Mel Frequency Cepstrum Coefficients) dan DTW (Dynamic Time Warping) untuk Sistem Penguncian Pintu Zulham Effendi *), Firdaus **), Tati Erlina ***), Ratna Aisuwarya
Lebih terperinciJaringan Syaraf Tiruan pada Robot
Jaringan Syaraf Tiruan pada Robot Membuat aplikasi pengenalan suara untuk pengendalian robot dengan menggunakan jaringan syaraf tiruan sebagai algoritma pembelajaran dan pemodelan dalam pengenalan suara.
Lebih terperinciEKSTRAKSI FITUR AKSARA BALI MENGGUNAKAN METODE ZONING
44 Teknologi Elektro, Vol. 14, No.2, Juli Desember 2015 EKSTRAKSI FITUR AKSARA BALI MENGGUNAKAN METODE ZONING I Wayan Agus Surya Darma 1, I Ketut Gede Darma Putra 2, Made Sudarma 3 Abstract Feature extraction
Lebih terperinciBAB I PENDAHULUAN. Saat ini teknologi berkembang sangat cepat dan semakin banyak perangkat
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini teknologi berkembang sangat cepat dan semakin banyak perangkat perangkat canggih yang dihasilkan dan digunakan oleh manusia. Perkembangan teknologi tersebut
Lebih terperinciImplementasi Algoritma Knuth Morris Pratt pada Alat Penerjemah Suara
Implementasi Algoritma Knuth Morris Pratt pada Alat Penerjemah Suara Bima Laksmana Pramudita (13511042) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciAplikasi Teknik Speech Recognition pada Voice Dial Telephone
Aplikasi Teknik Speech Recognition pada Voice Dial Telephone Oleh: Ahmad Irfan Abdul Rahman Tri Budi Santoso Titon Dutono Laboratorium Sinyal, Politeknik Elektronika Negeri Surabaya (PENS) Institut Teknologi
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian dilaksanakan pada Laboratorium Jurusan Teknik Informatika
BAB III METODOLOGI PENELITIAN 3.1 Objek Penelitian Penelitian dilaksanakan pada Laboratorium Jurusan Teknik Informatika Fakultas Teknik Universitas Negeri Gorontalo (UNG), dengan objek penelitian mengambil
Lebih terperinciDigital Signal Processing To Identify chords Singer Using Mel Frequency Cepstral Coefficients (MFCC) and Neural Network Backpropagation Methods
Pemrosesan Sinyal DigitalUntuk Mengidentifikasi Akord Dasar Penyanyi Dengan Metode Mel Frequency Cepstral Coeficients (MFCC) Dan Jaringan Syaraf Tiruan Backpropagation Digital Signal Processing To Identify
Lebih terperinciPenyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.
Penyusun Tugas Akhir Alvian Adi Pratama [5106100108] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom. Latar Belakang Batik merupakan harta kebudayaan Indonesia yang
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pada masa sekarang, Digital Signal Processing (DSP) atau pemrosesan sinyal digital sudah banyak diterapkan di berbagai bidang karena data dalam bentuk digital
Lebih terperinciSISTEM PENGENALAN WICARA BERDASARKAN CEPSTRUM. Ivanna K. Timotius, Danie Kurniawan. Intisari
SISTEM PENGENALAN WICARA BERDASARKAN CEPSTRUM SISTEM PENGENALAN WICARA BERDASARKAN CEPSTRUM Fakultas Teknik Elektronika dan Komputer, Program Studi Teknik Elektro, Universitas Kristen Satya Wacana, Salatiga,
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 PENDAHULUAN Latar Belakang Mengenali sebuah kata atau kalimat bukanlah hal yang sulit dilakukan bagi manusia Apalagi kata tersebut merupakan Bahasa Utama yang digunakannya sehari-hari Berbagai logat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Suara Suara adalah sebuah sinyal yang merambat melalui media perantara. suara dapat didefinisikan sebagai gelombang yang merambat dengan frekuensi dan amplitudo tertentu. Suara
Lebih terperinciIDENTIFIKASI KONDISI RILEKS DARI SINYAL EEG MENGGUNAKAN WAVELET DAN LEARNING VECTOR QUANTIZATION
Identifikasi Kondisi Rileks dari Sinyal EEG (Ekayama dkk.) IDENTIFIKASI KONDISI RILEKS DARI SINYAL EEG MENGGUNAKAN WAVELET DAN LEARNING VECTOR QUANTIZATION Rifky Ekayama *, Esmeralda C. Djamal, Agus Komarudin
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA)
21 PERANGKAT LUNAK UNTUK MEMBUKA APLIKASI PADA KOMPUTER DENGAN PERINTAH SUARA MENGGUNAKAN METODE MEL FREQUENCY CEPSTRUM COEFFICIENTS Anna Dara Andriana Program Studi Teknik Informatika Fakultas Teknik
Lebih terperinciAPLIKASI PENGENALAN SUARA UNTUK SIMULASI PENGUNCI PINTU ABSTRAK
APLIKASI PENGENALAN SUARA UNTUK SIMULASI PENGUNCI PINTU Stephanus Arnold / 0222021 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jln. Prof. Drg. Surya Sumantri 65, Bandung 40164,
Lebih terperinciAnalisa Suara Jantung Normal Menggunakan Discrete Wavelet Transform (DWT) dan Fast Fourier Transform (FFT)
Analisa Suara Jantung Normal Menggunakan Discrete Wavelet Transform (DWT) dan Fast Fourier Transform (FFT) Putri Madona Jurusan Teknik Elektro Program Studi Teknik Elektronika Politeknik Caltex Riau Pekanbaru,
Lebih terperinciKOMPRESI SINYAL SUARA MENGGUNAKAN TRANSFORMASI WAVELET
KOMPRESI SINYAL SUARA MENGGUNAKAN TRANSFORMASI WAVELET Allen Dick Scott / 0222033 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl.Prof.Drg.Suria Sumantri 65, Bandung 40164, Indonesia
Lebih terperinciIMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER
IMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER M. Jamaluddin 1, Nanik Suciati 2, Arya Yudhi Wiajaya 3 1,2,3 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciPENENTUAN FUNGSI BASIS WAVELET TERBAIK UNTUK SINYAL SUARA
PENENTUAN FUNGSI BASIS WAVELET TERBAIK UNTUK SINYAL SUARA Syahroni Hidayat 1*, Habib Ratu Perwira Negara 2, Danang Tejo Kumoro 3 1,2,3 Jurusan Teknik Informatika, STMIK Bumigora Mataram Jl. Ismail Marzuki
Lebih terperinciANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION
ANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION ANALYSIS AND IMPLEMENTATION OF SPEECH TO TEXT APPLICATION USING BACKPROPAGATION
Lebih terperinciPERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA
PERBANDINGAN METODE HIDDEN MARKOV MODEL DAN VECTOR QUANTIZATION UNTUK APLIKASI IDENTIFIKASI SUARA M. G. J. Harry Khesa S 1, W. Setiawan 2, I.G.A.K. Diafari Djuni H 3 1,2,3 Jurusan Teknik Elektro dan Komputer,
Lebih terperinciPENERAPAN DISCRETE DAUBECHIS WAVELET TRANSFORM D A L A M W A T E R M A R K I N G C I T R A D I G I T A L
PENERAPAN DISCRETE DAUBECHIS WAVELET TRANSFORM D A L A M W A T E R M A R K I N G C I T R A D I G I T A L Hermawan Syahputra* 1, Andani D N 2 1,2 Jurusan Matematika, FMIPA Unimed, Medan, Indonesia e-mail:
Lebih terperinciRingkasan Tugas Akhir/Skripsi
Ringkasan Tugas Akhir/Skripsi Nama, NPM : Wijayanti R. Hutami, 0906516631 Pembimbing : 1. Dr. Eng. Supriyanto M.Sc. 2. Krisna Andita, S.Si Judul (Indonesia) : Reduksi Noise pada Data Seismik Menggunakan
Lebih terperinciBAB I PENDAHULUAN. waktu adalah suatu deret observasi yang berurut dalam waktu. Analisis data
BAB I PENDAHULUAN 1.1. Latar Belakang Analisis time series (runtun waktu) banyak digunakan dalam berbagai bidang, misalnya ekonomi, teknik, geofisik, pertanian dan kedokteran. Runtun waktu adalah suatu
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Indera pendengaran manusia tidak dapat mengetahui secara pasti jenis nada apa yang didengar olehnya, terkecuali para pemusik profesional. Hal
Lebih terperinciPenerapan Perintah Suara Berbahasa Indonesia untuk Mengoperasikan Perintah Dasar di Windows
Penerapan Perintah Suara Berbahasa Indonesia untuk Mengoperasikan Perintah Dasar di Windows 1 Muhammad Anggia Muchtar, 2 Raisha Ariani Sirait, 3 Romi Fadillah Rahmat 1,2,3 Program Studi S1 Teknologi Informasi
Lebih terperinci2.4. Vector Quantization Kebisingan BAB III METODOLOGI PENELITIAN Desain Penelitian Requirements Definition...
DAFTAR ISI PERNYATAAN... i KATA PENGANTAR... ii UCAPAN TERIMA KASIH... iii ABSTRAK... v ABSTRACT... vi DAFTAR ISI... vii DAFTAR TABEL... ix DAFTAR GAMBAR... x DAFTAR LAMPIRAN... xii BAB I PENDAHULUAN...
Lebih terperinciAnalisa Multiwavelet untuk Kompresi Suara
1 ISSN 1979-2867 (print) Electrical Engineering Journal Vol. 1 (2010) No. 1, pp. 1-11 Analisa Multiwavelet untuk Kompresi Suara Immanuel Silalahi 1 dan Riko Arlando Saragih 2 1 Alumni Jurusan Teknik Elektro
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut merupakan desain penelitian yang akan digunakan pada proses penelitian penerapan Hidden Markov Models : 40 Studi Literatur dan Kepustakaan Rumusan
Lebih terperinciBAB I PENDAHULUAN. manusia satu dengan manusia lainnya berbeda-beda intonasi dan nadanya, maka
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Suara adalah suatu alat komunikasi paling utama yang dimiliki oleh manusia. Dengan suara, manusia dapat berkomunikasi dengan manusia lainnya. Melalui suara,
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Perkembangan penelitian di dunia telekomunikasi sangat pesat beberapa tahun terakhir ini. Salah satunya adalah penelitian di bidang suara. Suara adalah salah satu cara manusia
Lebih terperinciKOMPRESI SINYAL SUARA DENGAN MENGGUNAKAN STANDAR MPEG-4
KOMPRESI SINYAL SUARA DENGAN MENGGUNAKAN STANDAR MPEG-4 Disusun Oleh : Nama : Michael Darmawan Nrp : 0322130 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof.Drg.Suria Sumantri,
Lebih terperinciGambar 2.1 Perangkat UniTrain-I dan MCLS-modular yang digunakan dalam Digital Signal Processing (Lucas-Nulle, 2012)
BAB II TINJAUAN PUSTAKA 2.1 Digital Signal Processing Pada masa sekarang ini, pengolahan sinyal secara digital yang merupakan alternatif dalam pengolahan sinyal analog telah diterapkan begitu luas. Dari
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciPERBAIKAN KUALITAS CITRA BERWARNA DENGAN METODE DISCRETE WAVELET TRANSFORM (DWT)
PERBAIKAN KUALITAS CITRA BERWARNA DENGAN METODE DISCRETE WAVELET TRANSFORM (DWT) ABSTRAK Silvester Tena Jurusan Teknik Elektro Fakultas Sains dan Teknik, Universitas Nusa Cendana Jl. Adisucipto- Penfui
Lebih terperinci